通过不同的sEMG措施,探索与手势相关的特定模式组件
Yangyang Yuan1, Jionghui Liu2, Chenyun Dai3
1School of Information Science and Technology, Fudan University, Shanghai, 200433, China.
Journal of neuroengineering and rehabilitation
|December 31, 2024
概括
本研究介绍了一种方法,用于改进人机交互中的手势识别,使用表面电肌图 (sEMG) 信号. 通过将个人特异性与手势特异性模式分开,新方法提高了跨用户识别预期运动的准确性.
科学领域:
- 生物医学工程 生物医学工程
- 人与计算机的交互
- 信号处理 信号处理
背景情况:
- 表面电肌图 (sEMG) 对于人机交互至关重要,但对象特定的信号变化阻碍了跨用户的手势识别.
- 由于sEMG信号的固有个体差异,现有的模型往往会在新用户面前失败.
研究的目的:
- 假设和验证sEMG信号中的特定模式组件的存在,独立于个人用户.
- 通过隔离这些模式特定组件,为跨主体场景开发一个可通用的手势识别模型.
- 为了比较不同的sEMG特征类型 (波形,时间域,频域) 在捕获模式特定信息中的有效性.
主要方法:
- 使用自动编码器从sEMG数据中解脱特定主体和特定模式的组件.
- 开发了一个使用提取的特定模式组件的一般手势识别模型.
- 分析和比较跨信号波形,时间域和频率域特征的特定模式信息.
- 使用热图可视化特定模式组件,并探索它们的生理解释性.
主要成果:
- 成功验证了sEMG信号中模式特定组件的假设.
- 时间和频率域特征的组合产生了最高的手势分类准确度 (84.3%).
- 频域特征单独表现出优异的性能,并且在组件分离方面最有效.
- 视觉化证实了特定模式组件的生理相关性,与肌肉激活区域相关联.
结论:
- 提出的方法有效地将手势特异性模式与sEMG信号的个体变异分开,从而实现了强大的跨主体手势识别.
- 结合时间和频率域特征,为基于sEMG的准确和可概括的手势分类提供了最有前途的方法.
- 频域特征特别适合提取可概括的手势模式,并有可能进行进一步的生理解释.
